&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ INTRODUCCIÓN

Tamaño: px
Comenzar la demostración a partir de la página:

Download "&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN"

Transcripción

1 &$3Ì78/ INTRODUCCIÓN Los primeros avances para solucionar el TSP, por medio de Algoritmos Evolutivos han sido introducidos por Goldberg y Lingle en [68] y Grefenstette en [72]. En éste área muchos son los esfuerzos realizados para alcanzar las siguientes características [63]: Una apropiada representación para codificar un tour. Operadores genéticos válidos para mantener los subtours (o subcircuitos) evitando ilegalidad. Prevención de la convergencia prematura. En función a lo anterior se han creado distintos tipos de representaciones, operadores de crossover y mutación. Entre las formas de representación pueden distinguirse las siguientes: por permutación, por claves aleatorias, por adyacencia, ordinal [107, 29, 12]. Mientras que los operadores de crossover usados en el TSP son: PMX, OX, Crosover basado en la posición, Crossover basado en el orden, CX, Crossover de intercambio de subtuors, Crossover heurístico, [68, 26, 111, 149, 150, 72]. Por último los operadores de mutación utilizados en este problema son: por inversión, por inserción, por desplazamiento, intercambio recíproco, Mutación heurística [21, 22]. Cabe destacar que el problema de los algoritmos evolutivos basados en operadores de crossover es el siguiente: que requieren mayor tiempo computacional, por lo que resultan algoritmos costosos. Mientras que los algoritmos basados en operadores de mutación no escapan en forma eficiente de los óptimos locales. En las secciones siguientes se describen cada una de las formas de: representación, crossover y mutación. -66-

2 6.2. REPRESENTACIÓN DEL CROMOSOMA &$3Ì78/2 Tradicionalmente los cromosomas son cadenas binarias. Esta simple representación no es conveniente para el TSP y otros problemas combinatoriales. Varios esquemas de representación se han propuesto para el TSP; éstos son descriptos en las secciones a REPRESENTACIÓN POR ADYACENCIA En la representación por adyacencia [107] un tour se conforma como una lista de n ciudades. La ciudad j está en la posición i de la lista si y solo sí el tour se dirige de la ciudad i a la ciudad j. Por ejemplo, el vector ( ) representa el siguiente tour: Cada tour sólo tiene una lista de representación por adyacencia, sin embargo algunas listas pueden representar tours ilegales. Por ejemplo, el vector ( ), conduce a: , un tour parcial con un ciclo prematuro. La representación por adyacencia no soporta el operador de crossover clásico (crossover de un punto), por lo tanto resulta necesario un algoritmo de reparación. Los operadores de crossover válidos para esta representación son el crossover de: arcos alternativos, subtours chunks y el heurístico. -67-

3 REPRESENTACIÓN ORDINAL &$3Ì78/2 La representación ordinal [107] constituye un tour como una lista de n ciudades; el i-ésimo elemento de la lista es un número en el rango de 1 a n i + 1. La idea detrás de la representación ordinal es como sigue. Dada una lista de ciudades C, que sirve como punto de referencia para listas en representaciones ordinales, se asume por ejemplo que tal lista ordenada es canónica: C = ( ). Dado un tour se representa como una lista l de referencias, l = ( ), y debería interpretarse como sigue: El primer número sobre la lista l es 1, entonces toma la primer ciudad desde la lista c como la primer ciudad del tour (ciudad número 1), y la elimina desde C. El tour parcial es: 1 El número próximo sobre la lista l es también 1, entonces toma la primer ciudad de lista C actualizada con la próxima ciudad del tour (ciudad número dos) y la elimina de C. El tour parcial es:

4 El número próximo sobre la lista l es 2, entonces toma la segunda ciudad de lista C actualizada con la próxima ciudad del tour (ciudad número cuatro) y la elimina de C. El tour parcial es: Así siguiendo con cada uno de los elementos de la lista l hasta llegar al final de la misma. La principal ventaja de la representación ordinal es que el operador de crossover clásico (crossover de un punto) funciona. Un ejemplo de esto se muestra en la figura 6.1. punto de corte padre padre Corresponden a los tours y Con el punto de crossover marcado por el punto de corte, se producen los siguientes vástagos: hijo hijo Estos hijos corresponden a los tours y Figura 6.1. Ilustración del operador de crossover clásico bajo una representación ordinal. Es fácil ver que los tours parciales a la izquierda del punto de crossover no cambian, mientras que los tours parciales a la derecha del punto de crossover son desorganizados de forma bastante aleatoria. Los pobres resultados experimentales -69-

5 obtenidos [72] indican que esta representación junto con el operador de crossover clásico no es apropiada para el TSP REPRESENTACIÓN DEL CAMINO (POR PERMUTACIÓN) Esta representación es por supuesto la forma más natural de presentar un tour para el TSP, donde las ciudades son listadas en el orden en el cual son visitadas [29, 107]. El espacio de búsqueda para ésta representación es el conjunto de permutaciones de las ciudades. Por ejemplo, un tour para el TSP de 9 ciudades es simplemente representado como sigue: ( ). Esta representación puede conducir a tours ilegales si se utiliza el crossover de un punto. Muchos operadores de crossover se han investigado por esto. Los más conocidos son: PMX, CX y OX REPRESENTACIÓN POR CLAVES ALEATORIAS. Es la primer representación introducida por Bean [12]. La cual codifica la solución con números aleatorios en el intervalo abierto (0,1). Estos valores se usan como claves de ordenamiento para codificar la solución. Por ejemplo, un cromosoma para un problema de 9 ciudades puede representarse como: ( ), donde la posición i en la lista representa la ciudad i. El número aleatorio en la posición i determina el orden de visita de la ciudad i en un tour TSP. Para este -70-

6 ejemplo se ordenan las claves en orden ascendente, obteniéndose así el siguiente tour: Las claves aleatorias eliminan la posibilidad de hijos no factibles al representar soluciones de la forma antes descripta. Esta representación es aplicable a una gran variedad de problemas de optimización secuenciales incluyendo el scheduling de máquinas, alocación de recursos, ruteo vehicular, problemas de asignación cuadrática OPERADORES DE CROSSOVER Varios operadores de crossover se han propuesto para el TSP, tales como Partial-Mapped Crossover (PMX), Order Crossover (OX), Cycle Crossover (CX), Crossover Basado en la Posición, Crossover Basado en el Orden, Crossover Heurístico, Crossover de Subtours Chunks, Crossover por Arcos Alternativos (Edge Recombination, ER), entre otros. Estos operadores pueden clasificarse en: canónicos y heurísticos. Los operadores canónicos es posible verlos como una extensión del crossover de dos puntos al crossover multipunto de tours binarios. Generalmente la representación por permutación produce vástagos ilegales al usar crossover de dos puntos o multipunto, ya que algunas ciudades pueden perderse, mientras que otras pueden duplicarse en el vástago. En estos casos los procedimientos de reparación se usan para resolver la ilegitimidad del hijo. La esencia de la opción canónica es el mecanismo aleatorio. No hay garantía de que un hijo producido por este tipo de crossover sea mejor que sus padres. La aplicación de heurísticas en el crossover intenta generar un vástago mejorado. -71-

7 PARTIAL MAPPED-CROSSOVER (PMX) &$3Ì78/2 Goldberg y Lingle presentan PMX en [68]. Es posible ver a este operador como: una extensión del crossover de dos puntos para un tour binario a una representación por permutación. Este usa un procedimiento de reparación especial para resolver la ilegitimidad causada por el simple crossover de dos puntos. Es decir, las bases de PMX son el crossover de dos puntos más un procedimiento de reparación. PMX opera de la siguiente manera: 1. Selecciona, uniformemente al azar, dos posiciones a lo largo del tour. Los subtours definidos por las dos posiciones se denominan secciones de transferencia (o mapping sections en inglés). 2. Intercambia dos subtours entre los padres para producir 2 hijos. 3. Determina las relaciones de transferencia entre las dos secciones transferidas. 4. Legaliza los hijos con las relaciones de transferenica. 1. Selecciona un subtour al azar. padre padre Intercambia los subtours entre los padres. hijo hijo Determinar las relaciones de transferencia Legalizar los hijos usando las relaciones de transferencia. hijo hijo Figura 6.2. Ilustración del operador PMX -72-

8 La figura 6.2 ilustra el procedimiento del PMX. Las ciudades 1, 2, y 9 están duplicadas en el hijo 1, mientras que las ciudades 3, 4, y 5 son perdidas. De acuerdo a las relaciones de transferencia determinadas en el paso 3, las ciudades repetidas 1,2, y 9 deberían reemplazarse por las ciudades faltantes 3, 5, y 4, respectivamente, mientras mantiene el subtour intercambiado sin modificaciones ORDER CROSSOVER (OX) OX es propuesto por Davis [26]. Este puede verse como una variación de PMX con un procedimiento de reparación diferente. OX trabaja como sigue: 1. Selecciona un subtour desde un padre al azar. 2. Produce un hijo al copiar el subtour dentro sus correspondientes ubicaciones. 3. Borra las ciudades que están en el subtour del segundo padre. La secuencia de ciudades resultantes son las requeridas por los hijos. 4. Ubica las ciudades en las posiciones libres del hijo de izquierda a derecha, de acuerdo al orden de la secuencia para producir un vástago. La figura 6.3 ilustra este procedimiento. Esta muestra un ejemplo de cómo se obtiene un cromosoma hijo. Con idénticos pasos, podemos producir el segundo hijo [ ] desde los mismos padres. Subtour seleccionado padre hijo hijo padre Figura 6.3. Ilustración del operador OX -73-

9 CROSSOVER BASADO EN LA POSICIÓN &$3Ì78/2 Syswerda presenta el crossover basado en la posición en [26]. Este es esencialmente un tipo de crossover uniforme para una representación por permutación junto con un procedimiento de reparación. Esto puede visualizarse también como una variación de OX en el cual las ciudades se seleccionan en forma no consecutiva. El operador de crossover basado en la posición funciona como sigue: 1. Selecciona un conjunto de posiciones al azar desde un padre. 2. Produce un hijo al copiar las ciudades sobre estas posiciones en las correspondientes ubicaciones del hijo. 3. Borra las ciudades que son seleccionadas desde el segundo padre. La secuencia resultante contiene las ciudades que necesita el hijo. 4. Ubica las ciudades en las posiciones libres del hijo de izquierda a derecha de acuerdo al orden de la secuencia; y así producir un hijo. El procedimiento anterior se ilustra en la figura 6.4. Con los mismos pasos, se puede producir el segundo hijo como [ ]. Subtour seleccionado padre hijo padre Figura 6.4. Ilustración del operador de crossover basado en la posición CROSSOVER BASADO EN EL ORDEN El operador de crossover basado en el orden lo introduce Syswerda en [26]. Este presenta una leve variación al operador de crossover basado en la posición en la cual el orden de las ciudades seleccionadas en un padre, es impuesta sobre las ciudades correspondientes en el otro padre. Como muestra la figura 6.5. Con los mismos pasos, se puede generar el segundo hijo como [ ]. -74-

10 Subtour seleccionado padre hijo padre Figura 6.5. Ilustración del operador de crossover basado en la posición CYCLE CROSSOVER (CX) Oliver, Smith y Holland proponen CX en [111]. Al igual que el crossover basado en la posición, este toma las mismas ciudades desde un padre y selecciona las ciudades restantes desde el otro padre. La diferencia radica en que las ciudades del primero no se seleccionan aleatoriamente, sino que se eligen si definen un ciclo de acuerdo a las posiciones correspondientes entre padres. CX funciona de la siguiente [60]forma: 1. Encuentra el ciclo definido por las posiciones correspondientes de las ciudades entre los padres. 2. Copia las ciudades en el ciclo a un hijo con las posiciones correspondientes de un padre. 3. Determina las ciudades restantes para el hijo al eliminar las ciudades que ya están en el ciclo desde el otro padre. 4. Completa al hijo con las ciudades restantes. Este procedimiento se ilustra en la figura 6.6. Con los mismos pasos se puede crear el segundo vástago. -75-

11 Encuentra el ciclo definido por los padres. padre padre ciclo Copia las ciudades en el ciclo al hijo. hijo Determina las ciudades restantes para el hijo. padre las ciudades restantes Completa al hijo. hijo Figura 6.6. Ilustración del operador CX SUBTOUR EXCHANGE CROSSOVER Yamamura, Ono, y Kobayashi proponen este operador de crossover [149, 150]. Primero selecciona subtours desde los padres. Los cuales contienen las ciudades en común. Los hijos son creados al intercambiar los subtours como lo muestra la figura

12 Selecciona subtours padre padre Intercambia subtours hijo hijo Figura 6.7. Ilustración del operador subtour exchange crossover CROSSOVER HEURÍSTICO El crossover heurístico es propuesto por Grefenstette et. al en [72]. En heurísticas convencionales para el TSP, existen dos alternativas de construcción básicas: heurísticas del vecino más cercano, y la de mejor inserción. El crossover presentado por Grefenstette se implementa con la heurística del vecino más cercano. Cheng y Gen han diseñado un crossover con el mecanismo de la mejor inserción para el problema del ruteo vehicular y del viajante. El crossover heurístico funciona así: 1. Dado un par de padres se elige una ciudad al azar, para el inicio. 2. Se elige el arco más corto (representado en los padres) que va desde la ciudad actual a aquellas ciudades que no forman un ciclo. Si los dos arcos conducen a un ciclo, se elige, en forma aleatoria, una ciudad que continúe el tour. 3. Si se completa el tour, el procedimiento se detiene; de otra forma se repite el paso 2. Liepins presenta una leve modificación de la versión de Grefenstette [98], la cual toma cualquier tour siempre que comience en la misma ciudad. Cheng y Gen también han propuesto una versión modificada del crossover heurístico [21]. Esta -77-

13 presenta un procedimiento de rotación de subtour para heredar a los mejores subtours de los padres en los hijos CROSSOVER POR ARCOS ALTERNATIVOS Michalewicz implementa este operador [107] para la representación por adyacencia. Construye un hijo al elegir aleatoriamente un arco desde el primer padre, entonces selecciona el arco apropiado desde el segundo progenitor, etc. El operador extiende el tour al elegir arcos desde los padres alternativos. Si el nuevo arco (desde uno de los padres) introduce un ciclo al tour actual, entonces el operador selecciona uno al azar, que no introduzca un ciclo, desde los arcos restantes. Por ejemplo, el primer hijo de dos padres puede ser el presentado (hijo 1)en la figura 6.8. padre Tour padre Tour hijo Tour Figura 6.8. Ilustración del operador por arcos alternativos Donde el proceso se inicia en el arco (1,2) desde el padre 1 y el único arco introducido aleatoriamente durante el proceso de los arcos alternativos es (7,6) en vez de (7,8). El cual introduciría un ciclo prematuro CROSSOVER POR SUBTOURS CHUNKS El crossover por Subtours Chunks [107], al igual que el presentado en la sección anterior se utiliza con la representación por adyacencia. -78-

14 Este operador de crossover construye un hijo al elegir un subtour (de longitud aleatoria) desde uno de los padres, y luego se elige otro desde uno de los padres restantes (también de longitud aleatoria). El operador extiende el tour al seleccionar arcos desde padres alternativos. Si algún arco (pertenecientes a alguno de los padres) introduce un ciclo en el tour actual, el operador selecciona, en forma aleatoria, un arco a partir de los arcos restantes que no incluyan ciclos CROSSOVER POR RECOMBINACIÓN DE ARCOS Whitley, Starweather y Fuquay introducen este operador de crossover [146, 107]. ER transfiere más del 95% de los arcos desde los padres a un único hijo y explora la información sobre los arcos en un tour, por ejemplo para el tour los arcos son: (3 1), (1 2), (2 8), (8 7), (7 4), (4 6), (6 9), (9 5) y (5 3). Luego todos los arcos -no las ciudades- poseen valores (distancias) en el TSP. Entonces la función objetivo, a minimizarse, es el total de arcos que constituyen un tour legal. La posición de una ciudad en un tour no es importante, ya que los tours son circulares. Tampoco lo es la dirección de un arco; porque los arcos (3 1) y (1 3), por ejemplo, indican sólo que las ciudades 1 y 3 están directamente conectadas entre sí. La idea general detrás del crossover ER es que un hijo debería construirse exclusivamente desde los arcos presentes. Esto se realiza con ayuda de la lista de arcos creada desde los dos tours padres. La lista de arcos provee, por cada ciudad c, todas las otras ciudades conectadas a la ciudad c en al menos uno de los padres. En todo grafo, por cada ciudad c existe al menos dos y a lo sumo 4 ciudades en la lista. Un ejemplo de esto, se observa en la figura

15 padre padre La lista de arcos es: Ciudad 1: arcos a otras ciudades: Ciudad 2: arcos a otras ciudades: Ciudad 3: arcos a otras ciudades: Ciudad 4: arcos a otras ciudades: Ciudad 5: arcos a otras ciudades: Ciudad 6: arcos a otras ciudades: Ciudad 7: arcos a otras ciudades: 6 8 Ciudad 8: arcos a otras ciudades: Ciudad 9: arcos a otras ciudades: Figura 6.9. Ilustración del operador de crossover ER La construcción del hijo comienza con la selección de una ciudad de inicio desde uno de los padres. Entonces, se elige la ciudad conectada a la inicial con el menor número de arcos. Si estos números son iguales, se realiza una elección aleatoria entre ellos. Cada selección incrementa la posibilidad de completar un tour con todos los arcos seleccionados desde los padres. Con una selección al azar, la chance de tener un arco erróneo debiera ser mucho más grande. Se asume que la ciudad 1 es seleccionada. Esta ciudad está directamente conectada con otras tres: 9, 2, y 4. La próxima ciudad se elige desde una de estas tres. En este ejemplo, las ciudades 4 y 2 tienen tres arcos, y la ciudad 9 tiene 4. Se hace una selección aleatoria entre las ciudades 4 y 2; se asume que se ha seleccionado la ciudad 4. Siendo el tour parcial resultante: 1 4 Nuevamente los candidatos para la próxima ciudad del tour, que se está construyendo, son 3 y 5, si ellos están directamente conectados a la última ciudad (4), entonces se selecciona la 5. Siendo el tour parcial resultante:

16 Continuando con este procedimiento se obtiene el hijo: el cual se forma completamente por arcos tomados desde ambos padres OPERADORES DE MUTACIÓN Es relativamente fácil producir algunos operadores de mutación para representación del camino. Algunos de ellos pueden ser la mutación por: inversión, inserción, desplazamiento e intercambio recíproco [21, 22] MUTACIÓN POR INVERSIÓN La mutación por inversión selecciona dos posiciones dentro de un cromosoma al azar y entonces invierte el subtour entre estas dos posiciones, como se ilustra en la figura Selecciona un subtour al azar Invierte el subtour Figura Ilustración del operador de mutación por inversión MUTACIÓN POR INSERCIÓN La mutación por inserción selecciona una ciudad al azar y la inserta en una posición aleatoria, como ilustra la figura

17 Seleccionar una ciudad al azar Invertir el subtour Figura Ilustración del operador de mutación por inserción MUTACIÓN POR DESPLAZAMIENTO Este tipo de mutación selecciona un subtour al azar y lo inserta en una posición aleatoria, como se ilustra en la figura La inserción puede verse como un caso especial de desplazamiento en el cual el subtour contiene sólo una ciudad. Seleccionar un subtour al azar Insertarlo en una posición aleatoria Figura Ilustración del operador de mutación por desplazamiento MUTACIÓN POR INTERCAMBIO RECÍPROCO La mutación por intercambio recíproco selecciona dos posiciones aleatorias y luego intercambia las ciudades sobre estas posiciones, como ilustra la figura Esta mutación es esencialmente la heurística 2-Opt para TSP. -82-

18 Seleccionar dos posiciones al azar Intercambiar las ciudades relativas Figura Ilustración del operador de mutación por intercambio recíproco MUTACIÓN HEURÍSTICA Cheng y Gen proponen este tipo de mutación [21, 22]. Está diseñada con la técnica del vecindario para producir, así, un hijo mejorado. Un conjunto de cromosomas se transforman a partir de un cromosoma dado al intercambiar no más de λ genes. Este conjunto de cromosomas obtenido es considerado como el vecindario. Entonces, el mejor de estos vecinos es tomado como el hijo producido por la mutación. Este operador sigue los siguientes pasos: 1. Toma λ genes aleatoriamente. 2. Genera vecinos de acuerdo a todas las permutaciones posibles de los genes seleccionados. 3. Evalúa a todos los vecinos y selecciona el mejor como hijo. La figura 6.14 muestra este procedimiento. Seleccionar tres posiciones al azar Los vecinos que forman las ciudades Figura Ilustración del operador de mutación heurística -83-

Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones

Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del

Más detalles

Algoritmos Genéticos

Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

Más detalles

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Operadores de Mutación El operador

Más detalles

Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING

Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING 6.1. HEURÍSTICAS CONVENCIONALES El problema de job shop scheduling (JSSP) es un problema muy importante [69]; está entre los problemas de optimización

Más detalles

Algoritmos Genéticos.

Algoritmos Genéticos. Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre de 2011

Más detalles

Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN 5.2. ALGORITMOS EVOLUTIVOS AVANZADOS CON MÚLTIPLES PADRES Y MÚLTIPLES CROSSOVERS

Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN 5.2. ALGORITMOS EVOLUTIVOS AVANZADOS CON MÚLTIPLES PADRES Y MÚLTIPLES CROSSOVERS Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN En este capítulo se presentan algunas modificaciones al diseño de un algoritmo evolutivo para mejorar su performance. El hecho de innovar en

Más detalles

TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE

TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE Mecánica Computacional Vol. XXII M. B. Rosales, V. H. Cortínez y D. V. Bambill (Editores) Bahía Blanca, Argentina, Noviembre 2003. TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE Jessica A. Carballido,

Más detalles

Algoritmos Genéticos. Introduccion a la Robótica Inteligente

Algoritmos Genéticos. Introduccion a la Robótica Inteligente Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)

Más detalles

Capítulo IV ALGORITMOS GENÉTICOS

Capítulo IV ALGORITMOS GENÉTICOS Capítulo IV ALGORITMOS GENÉTICOS 4.1. INTRODUCCIÓN La estructura de un algoritmo genético simple se corresponde con la estructura de cualquier programa evolutivo (ver figura 1.1). Durante la iteración

Más detalles

[ Guía para recién llegados a los ALGORITMOS GENÉTICOS]

[ Guía para recién llegados a los ALGORITMOS GENÉTICOS] UVa Dpto. de Organización de Empresas Escuela de Ingenierías Industriales Elena Pérez www.eis.uva.es/elena [ Guía para recién llegados a los ALGORITMOS GENÉTICOS] El propósito de esta guía es dar soporte

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores

Más detalles

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero Fundamentos de Investigación de Operaciones y Vendedor Viajero 23 de mayo de 2004 Si bien la resolución del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas

Más detalles

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33 Introducción Búsqueda Local A veces el camino para llegar a la solución no nos importa, buscamos en el espacio de soluciones Queremos la mejor de entre las soluciones posibles alcanzable en un tiempo razonable

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos

Más detalles

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.

Más detalles

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS Arranz de la Peña, Jorge Universidad Carlos III 100025106@alumnos.uc3m.es ALGORITMOS GENÉTICOS Parra Truyol, Antonio Universidad Carlos III 100023822@alumnos.uc3m.es En este documento se pretende analizar

Más detalles

Capítulo 6. Modificar archivos de datos. Ordenar casos

Capítulo 6. Modificar archivos de datos. Ordenar casos Capítulo 6 Modificar archivos de datos Los archivos de datos no siempre están organizados de forma idónea. En ocasiones podemos desear cambiar el orden de los casos, o transponer las filas y las columnas,

Más detalles

METAHEURISTICAS Ideas, Mitos, Soluciones

METAHEURISTICAS Ideas, Mitos, Soluciones METAHEURISTICAS Ideas, Mitos, Soluciones OPTIMIZACION COMBINATORIA Qué es un problema de optimización combinatoria? Cómo se modela matemáticamente un problema de optimización combinatoria? Minimizar (o

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos MT 6 Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos Rosario Baltazar 1 Judith Esquivel Vázquez 2 Andrea Rada 3 Claudia Díaz 4 Resumen Durante los últimos 15

Más detalles

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09 Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones

Más detalles

Almacenamiento y Recuperación de la Información

Almacenamiento y Recuperación de la Información Almacenamiento y Recuperación de la Información Estructuras basicas de archivos Archivos Secuenciales 2do Semestre 2005 Wenceslao Palma M. www.inf.utfsm.cl/~wpalma/ari Una estructura

Más detalles

Algoritmos Evolutivos

Algoritmos Evolutivos Algoritmos Evolutivos 2003-11-20 Cristóbal Romero, Pedro González y Sebastián Ventura 1.1 Introducción En general, cualquier tarea abstracta a realizar puede considerarse como la resolución de un problema

Más detalles

Temario III Algoritmos Combinatorios y Metaheurísticas

Temario III Algoritmos Combinatorios y Metaheurísticas Temario III Algoritmos Combinatorios y Metaheurísticas Verificación y Validación de Software UNCo 1 Contenidos Combinación de Datos de Test Algoritmos Combinatorios Metaheurísticas Búsqueda Tabú Algoritmos

Más detalles

Capítulo 12: Indexación y asociación

Capítulo 12: Indexación y asociación Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación

Más detalles

Jhon Jairo Padilla Aguilar, PhD.

Jhon Jairo Padilla Aguilar, PhD. Redes de Datos-Redes WAN Jhon Jairo Padilla Aguilar, PhD. UPB Bucaramanga Red WAN WAN: Wide Area Network Pueden cubrir un país entero Requieren de Nodos que recogen/distribuyen la información de los usuarios

Más detalles

UNIVERSIDAD REY JUAN CARLOS

UNIVERSIDAD REY JUAN CARLOS UNIVERSIDAD REY JUAN CARLOS ESCUELA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA TÉCNICA EN INFORMÁTICA DE SISTEMAS Curso Académico 2009/2010 Proyecto de Fin de Carrera ESTUDIO EXPERIMENTAL CON DIFERENTES

Más detalles

Introducción a la Computación Evolutiva

Introducción a la Computación Evolutiva Introducción a la Computación Evolutiva Sección de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello

Más detalles

TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN

TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN RAMÓN ALFONSO GALLEGO RENDÓN ANTONIO ESCOBAR ZULUAGA ELIANA MIRLEDY TORO OCAMPO Universidad Tecnológica de Pereira Pereira - Risaralda - Colombia

Más detalles

Estructuras de Datos y Algoritmos Práctica I - Curso 2012/13

Estructuras de Datos y Algoritmos Práctica I - Curso 2012/13 Estructuras de Datos y Algoritmos Práctica I - Curso 2012/13 Rompiendo el Código Enigma Introducción y objetivos Como un pequeño homenaje a Alan Turing en su año conmemorativo, las prácticas de este curso

Más detalles

Unidad II: Diseño de Bases de Datos y el modelo E-R. 2.1 El Proceso de Diseño

Unidad II: Diseño de Bases de Datos y el modelo E-R. 2.1 El Proceso de Diseño Unidad II: Diseño de Bases de Datos y el modelo E-R. 2.1 El Proceso de Diseño El proceso de diseño para una base de datos consta básicamente de 7 pasos, los cuáles se describen en la siguiente imagen.

Más detalles

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C.

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. Diseño de redes viales urbanas usando algoritmos genéticos M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. e-mail: mapinnin@inf.udec.cl * Departamento de Ingeniería Informática y Ciencias

Más detalles

Estructuras de Almacenamiento RAID RAID. Nivel FísicoF. Índice. Requisitos Almacenamiento. Nivel Lógico Modelo Entidad-Relación y Modelo Relacional

Estructuras de Almacenamiento RAID RAID. Nivel FísicoF. Índice. Requisitos Almacenamiento. Nivel Lógico Modelo Entidad-Relación y Modelo Relacional Estructuras de Almacenamiento Nivel FísicoF Nivel Lógico Modelo Entidad-Relación y Modelo Relacional El nivel en el que se deben mover los usuario es el nivel lógico El objetivo de un sistema de bases

Más detalles

Problemas indecidibles

Problemas indecidibles Capítulo 7 Problemas indecidibles 71 Codificación de máquinas de Turing Toda MT se puede codificar como una secuencia finita de ceros y unos En esta sección presentaremos una codificación válida para todas

Más detalles

FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS

FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS PROYECTO DE GRADO Javier mauricio gamboa salgado Código: 544004 John alexander

Más detalles

UN ALGORITMO METAHEURÍSTICO PARA LA SOLUCIÓN DEL PROBLEMA DE RUTEO DE VEHÍCULOS CON MÚLTIPLES DEPÓSITOS Y FLOTA HETEROGÉNEA

UN ALGORITMO METAHEURÍSTICO PARA LA SOLUCIÓN DEL PROBLEMA DE RUTEO DE VEHÍCULOS CON MÚLTIPLES DEPÓSITOS Y FLOTA HETEROGÉNEA UN ALGORITMO METAHEURÍSTICO PARA LA SOLUCIÓN DEL PROBLEMA DE RUTEO DE VEHÍCULOS CON MÚLTIPLES DEPÓSITOS Y FLOTA HETEROGÉNEA RUBÉN IVÁN BOLAÑOS FACULTAD DE INGENIERÍAS PROGRAMA DE MAESTRÍA EN INGENIERÍA

Más detalles

Introducción a los Algoritmos Genéticos

Introducción a los Algoritmos Genéticos Introducción a los Algoritmos Genéticos Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 Informática ribadas@uvigo.es 17 de octubre de 2005 c FJRP 2005 ccia IA Métodos de 8 < : 1 Introducción 9 =

Más detalles

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 1 1 BASES DE DATOS DISTRIBUIDAS TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 3.1 Metodología del procesamiento de consultas distribuidas 3.2 Estrategias de

Más detalles

BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES

BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES El modelo relacional se basa en dos ramas de las matemáticas: la teoría de conjuntos y la lógica de predicados de primer orden. El hecho de que

Más detalles

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/ Minería de Datos Web 1 er Cuatrimestre 2015 Página Web http://www.exa.unicen.edu.ar/catedras/ageinweb/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs. As., Argentina http://www.exa.unicen.edu.ar/~dgodoy

Más detalles

Procesamiento Digital de Imágenes. Compresión de imágenes

Procesamiento Digital de Imágenes. Compresión de imágenes FICH, UNL - Departamento de Informática - Ingeniería Informática Procesamiento Digital de Imágenes Guía de Trabajos Prácticos 8 Compresión de imágenes 2010 1. Objetivos Analizar las características y el

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22. Algoritmos Genéticos. prb@2007 2

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22. Algoritmos Genéticos. prb@2007 2 Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 22 prb@2007 2 1 El núcleo de cada célula humana contiene una base de datos química. Esta base de datos contiene todas las instrucciones que la

Más detalles

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated

Más detalles

Ejemplos de conversión de reales a enteros

Ejemplos de conversión de reales a enteros Ejemplos de conversión de reales a enteros Con el siguiente programa se pueden apreciar las diferencias entre las cuatro funciones para convertir de reales a enteros: program convertir_real_a_entero print

Más detalles

ARREGLOS DEFINICION GENERAL DE ARREGLO

ARREGLOS DEFINICION GENERAL DE ARREGLO ARREGLOS DEFINICION GENERAL DE ARREGLO Conjunto de cantidades o valores homogéneos, que por su naturaleza se comportan de idéntica forma y deben de ser tratados en forma similar. Se les debe de dar un

Más detalles

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3.

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3. GANTT, PERT y CPM Características Conseguir una buena programación es un reto, no obstante es razonable y alcanzable. Ella debe tener el compromiso del equipo al completo, para lo cual se recomienda que

Más detalles

Arboles Binarios de Búsqueda

Arboles Binarios de Búsqueda Arboles Binarios de Búsqueda Algoritmos y Estructuras de Datos Departamento de Electricidad y Electrónica (UPV/EHU) Arboles Binarios de Búsqueda p.1/52 Arboles Binarios Arbol binario: árbol ordenado de

Más detalles

1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1

1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1 5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0

Más detalles

Optimización de consultas Resumen del capítulo 14

Optimización de consultas Resumen del capítulo 14 Optimización de consultas Resumen del capítulo 14 Libro: Fundamentos de Bases de Datos Silberschatz et al. 5ed. Dr. Víctor J. Sosa Agenda 1. Visión general 2. Estimación de las estadísticas de los resultados

Más detalles

Algoritmos Geneticos Algoritmos Evolutivos y Memeticos Curso de Postgrado UC3M Junio 16,17,18-2004

Algoritmos Geneticos Algoritmos Evolutivos y Memeticos Curso de Postgrado UC3M Junio 16,17,18-2004 Algoritmos Geneticos AGs repaso rapido Desarrollados en los EEUU en los 70s primeros promotores J. Holland, K. DeJong, D. Goldberg Tipicamente aplicados a optimisacion discreta Propiedades atribuidas:

Más detalles

Estructuras de Control - Diagrama de Flujo

Estructuras de Control - Diagrama de Flujo RESOLUCIÓN DE PROBLEMAS Y ALGORITMOS Ingeniería en Computación Ingeniería en Informática UNIVERSIDAD NACIONAL DE SAN LUIS DEPARTAMENTO DE INFORMÁTICA AÑO 2015 Índice 1. Programación estructurada 2 1.1.

Más detalles

Capítulo V Operaciones Booleanas

Capítulo V Operaciones Booleanas 85 Capítulo V Operaciones Booleanas 5.1 Introducción Es muy posible que en muchos casos sea necesario comparar dos objetos y determinar cuál es su parte común. Esto implica intersectar los dos objetos

Más detalles

Apuntes de Grafos. 1. Definiciones

Apuntes de Grafos. 1. Definiciones Apuntes de Grafos Un grafo es una entidad matemática introducida por Euler en 736 para representar entidades (vértices) que pueden relacionarse libremente entre sí, mediante el concepto de arista Se puede

Más detalles

Algoritmos Genéticos

Algoritmos Genéticos Algoritmos Genéticos AG un vistazo rápido Desarrollado: USA en 1970 s Primeros nombres: J. Holland, K. DeJong, D. Goldberg Típicamente aplicado a: Optimización discreta Características exhibidas: No demasiado

Más detalles

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada

Más detalles

Ampliación de Estructuras de Datos

Ampliación de Estructuras de Datos Ampliación de Estructuras de Datos Amalia Duch Barcelona, marzo de 2007 Índice 1. Diccionarios implementados con árboles binarios de búsqueda 1 2. TAD Cola de Prioridad 4 3. Heapsort 8 1. Diccionarios

Más detalles

RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE

RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE CALCAMONIAS MEDIANTE ALGORITMOS GENÉTICOS. Alberto Gómez Gómez, José Parreño Fernández y Isabel Fernández Quesada. RESUMEN. El objetivo del presente

Más detalles

ANÁLISIS Y APLICACIÓN INFORMÁTICA PARA IMPLEMENTACIÓN SOBRE PLC DE SISTEMAS AUTOMÁTICOS DESARROLLADOS CON HERRAMIENTAS DE ALTO NIVEL

ANÁLISIS Y APLICACIÓN INFORMÁTICA PARA IMPLEMENTACIÓN SOBRE PLC DE SISTEMAS AUTOMÁTICOS DESARROLLADOS CON HERRAMIENTAS DE ALTO NIVEL ANÁLIS Y APLICACIÓN INFORMÁTICA PARA IMPLEMENTACIÓN SOBRE PLC DE STEMAS AUTOMÁTICOS DESARROLLADOS CON HERRAMIENTAS DE ALTO NIVEL Mónica Baigorri Martínez (1) e-mail: Monica.baigorri@die.unirioja.es Emilio

Más detalles

Búsqueda heurística Prof. Constantino Malagón

Búsqueda heurística Prof. Constantino Malagón Búsqueda heurística Prof. Constantino Malagón Area de Computación e Inteligencia Artificial 1 Búsqueda heurística Los métodos de búsqueda heurística disponen de alguna información sobre la proximidad de

Más detalles

La primera pantalla que le aparece es la solicitud de su cuenta de usuario y clave deacceso.

La primera pantalla que le aparece es la solicitud de su cuenta de usuario y clave deacceso. 1. Como Ingresar al Sistema El sistema se encuentra publicado en la dirección www.csj.gov.py/gestion y puede acceder directamente escribiendo la dirección en la barra de su navegador o ingresando a la

Más detalles

Investigación de operaciones en acción: Heurísticas para la solución del TSP

Investigación de operaciones en acción: Heurísticas para la solución del TSP Investigación de operaciones en acción: Heurísticas para la solución del TSP Roger Z. Ríos Mercado* José Luis González Velarde** Abstract One of the most common and difficult problem in the theory of optimization

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1 Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS

Más detalles

MÁQUINAS DE VECTORES DE SOPORTE

MÁQUINAS DE VECTORES DE SOPORTE MÁQUINAS DE VECTORES DE SOPORTE Introducción Se tiene información de N individuos codificada de la forma Las variables X son vectores que reúnen información numérica del individuo, las variables Y indican

Más detalles

❷ Aritmética Binaria Entera

❷ Aritmética Binaria Entera ❷ Una de las principales aplicaciones de la electrónica digital es el diseño de dispositivos capaces de efectuar cálculos aritméticos, ya sea como principal objetivo (calculadoras, computadoras, máquinas

Más detalles

INFORMÁTICA. Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial. Curso 2013-2014. v1.0 (05.03.

INFORMÁTICA. Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial. Curso 2013-2014. v1.0 (05.03. INFORMÁTICA Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial Curso 2013-2014 v1.0 (05.03.14) A continuación figuran una serie de ejercicios propuestos, agrupados

Más detalles

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos

Más detalles

Computación Evolutiva: Técnicas de Selección

Computación Evolutiva: Técnicas de Selección Computación Evolutiva: Técnicas de Selección Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del IPN Cinvestav-Tamaulipas Dr. Gregorio

Más detalles

Introducción a la Teoría de Probabilidad

Introducción a la Teoría de Probabilidad Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento

Más detalles

Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu. Instituto Superior Politécnico José Antonio Echeverría. Cuba

Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu. Instituto Superior Politécnico José Antonio Echeverría. Cuba Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu Instituto Superior Politécnico José Antonio Echeverría Cuba Carvajal- Pérez, Raúl Nicolás Un Algoritmo Genético Especializado en Planeamiento

Más detalles

11 kn. de publicación: ES 2 074 501. 51 kint. Cl. 6 : H04N 7/32. k 72 Inventor/es: Stiller, Christoph. k 74 Agente: Roeb Ungeheuer, Carlos

11 kn. de publicación: ES 2 074 501. 51 kint. Cl. 6 : H04N 7/32. k 72 Inventor/es: Stiller, Christoph. k 74 Agente: Roeb Ungeheuer, Carlos k 19 OFICINA ESPAÑOLA DE PATENTES Y MARCAS ESPAÑA 11 kn. de publicación: ES 2 074 01 1 kint. Cl. 6 : H04N 7/32 k 12 TRADUCCION DE PATENTE EUROPEA T3 k k k k 86 Número de solicitud europea: 9011011.0 86

Más detalles

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J. Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma

Más detalles

Sistemas de producción y búsqueda de soluciones. Area de Computación e Inteligencia Artificial 1

Sistemas de producción y búsqueda de soluciones. Area de Computación e Inteligencia Artificial 1 Sistemas de producción y búsqueda de soluciones Area de Computación e Inteligencia Artificial 1 Técnicas de búsqueda Resolución de problemas en Inteligencia Artificial. En general, podemos afirmar que

Más detalles

Matemáticas Evolutivas: Algoritmos Genéticos

Matemáticas Evolutivas: Algoritmos Genéticos Matemáticas Evolutivas: Algoritmos Genéticos María Teresa Iglesias Otero Departamento de Matemáticas Universidade da Coruña Cuál es la mejor forma de...? cuál es el camino más corto a...? cuál es la más

Más detalles

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible Sara Lumbreras

Más detalles

7. Conclusiones. 7.1 Resultados

7. Conclusiones. 7.1 Resultados 7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar

Más detalles

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo?

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo? Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera

Más detalles

Capítulo 4 Procesos con estructuras de repetición

Capítulo 4 Procesos con estructuras de repetición Estructura de contador Capítulo 4 Procesos con estructuras de repetición Esta es una operación que incrementa en una unidad el valor almacenado en la variable c, cada vez que el flujo del diagrama pasa

Más detalles

TRABAJANDO CON INDESIGN:

TRABAJANDO CON INDESIGN: TRABAJANDO CON INDESIGN: Definiciones: Pliegos. Son las partes de un documento tipo libro o revista de varias páginas simétricas. Mesa de trabajo. Entorno fuera de los pliegos para contener objetos que

Más detalles

Algoritmos exactos y heurísticos para minimizar el adelantamiento y retraso ponderados en una máquina con una fecha de entrega común

Algoritmos exactos y heurísticos para minimizar el adelantamiento y retraso ponderados en una máquina con una fecha de entrega común Algoritmos... en una máquina con una fecha de entrega común Algoritmos exactos y heurísticos para minimizar el adelantamiento y retraso ponderados en una máquina con una fecha de entrega común R. Alvarez-Valdés,

Más detalles

1.1. Introducción y conceptos básicos

1.1. Introducción y conceptos básicos Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................

Más detalles

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA CONTENIDO Términos en manufactura Clasificación de sistemas de manufactura Beneficios y ejemplos de sistemas de manufactura Los componentes de un sistema de manufactura

Más detalles

Seminario Bioinformática: The ten most wanted solutions in protein bioinformatics. Problem 1

Seminario Bioinformática: The ten most wanted solutions in protein bioinformatics. Problem 1 Seminario Bioinformática: The ten most wanted solutions in protein bioinformatics. Problem 1 Gloria Inés Alvarez V. Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana

Más detalles

Capítulo 4 Análisis y Resultados

Capítulo 4 Análisis y Resultados 58 Capítulo 4 Análisis y Resultados Al terminar la aplicación desarrollada con Django se han cumplido los objetivos planteados al principio de la propuesta. Los objetivos fueron planteados para cumplir

Más detalles

!!!!!!!! !!!!! Práctica!4.! Programación!básica!en!C.! ! Grado!en!Ingeniería!!en!Electrónica!y!Automática!Industrial! ! Curso!2015H2016!

!!!!!!!! !!!!! Práctica!4.! Programación!básica!en!C.! ! Grado!en!Ingeniería!!en!Electrónica!y!Automática!Industrial! ! Curso!2015H2016! INFORMÁTICA Práctica4. ProgramaciónbásicaenC. GradoenIngenieríaenElectrónicayAutomáticaIndustrial Curso2015H2016 v2.1(18.09.2015) A continuación figuran una serie de ejercicios propuestos, agrupados por

Más detalles

El tamaño de una imagen digital

El tamaño de una imagen digital El tamaño de una imagen digital Apellidos, nombre Vicente Atienza Vanacloig (vatienza@disca.upv.es) Departamento Centro Informática de Sistemas y Computadores (DISCA) Escuela Técnica Superior de Ingeniería

Más detalles

ANÁLISIS Y DISEÑO DE SISTEMAS

ANÁLISIS Y DISEÑO DE SISTEMAS ANÁLISIS Y DISEÑO DE SISTEMAS Clase XVIII: Modelo Dinámico Diagramas de Actividades Primer Cuatrimestre 2013 Diagrama de Actividades (DA) Un grafo o diagrama de actividad (DA) es un tipo especial de máquina

Más detalles

UNIDAD 4 PROCESOS DE MARKOV

UNIDAD 4 PROCESOS DE MARKOV UNIDAD 4 PROCESOS DE MARKOV Anteriormente se han cubierto modelos estáticos, esto es, modelos cuyos parámetros permanecen sin cambio a través del tiempo. Con excepción de programación dinámica donde se

Más detalles

PESTAÑA DATOS - TABLAS EN EXCEL

PESTAÑA DATOS - TABLAS EN EXCEL PESTAÑA DATOS - TABLAS EN EXCEL Una tabla en Excel es un conjunto de datos organizados en filas o registros, en la que la primera fila contiene las cabeceras de las columnas (los nombres de los campos),

Más detalles

INTRODUCCIÓN. Estructura de Datos Tipos Abstractos de Datos (TAD S) Profs. Lorna Figueroa M. Mauricio Solar F. UTFSM 1 / 2008

INTRODUCCIÓN. Estructura de Datos Tipos Abstractos de Datos (TAD S) Profs. Lorna Figueroa M. Mauricio Solar F. UTFSM 1 / 2008 INTRODUCCIÓN Estructura de Datos Tipos Abstractos de Datos (TAD S) Para poder obtener un programa que resuelva un problema dado, son necesarios varios pasos : La formulación y especificación del problema

Más detalles

GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS

GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS MAURO CANABÉ SERGIO NESMACHNOW Centro de Cálculo, Facultad de Ingeniería Universidad de la República, Uruguay GPU IMPLEMENTATIONS

Más detalles

Tema 2. Procesos. 1. Concepto de proceso

Tema 2. Procesos. 1. Concepto de proceso Tema 2. Procesos 1. Concepto de proceso. 2. Principios de la Programación concurrente. 1. Concurrencia. Programación concurrente. 2. Áreas de comunicación entre procesos. 1. Exclusión mutua. 2. Sincronización.

Más detalles

MÉTODOS DE ORGANIZACIÓN Y ACCESO A DATOS INTRODUCCIÓN. NO : ESTRUCTURA. OPERACIONES. MANTENIMIENTO. : ESTRUCTURA. OPERACIONES. MANTENIMIENTO. MÉTODOS DE ORGANIZACIÓN Y ACCESO A DATOS : ESTRUCTURA. OPERACIONES.

Más detalles

? 50 30 20 20 emplear NA 0,788 0,367879 se queda s a 150 275 70-125 se pone s en s a 15 58 200-43 se pone s en s a

? 50 30 20 20 emplear NA 0,788 0,367879 se queda s a 150 275 70-125 se pone s en s a 15 58 200-43 se pone s en s a 350 MR Versión 1 1 Prueba Parcial 1/5 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA: INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Computación Evolutiva CÓDIGO: 350 MOMENTO: Primera Parcial VERSIÓN:

Más detalles

SISTEMAS DE INFORMACIÓN II TEORÍA

SISTEMAS DE INFORMACIÓN II TEORÍA CONTENIDO: EL PROCESO DE DISEÑO DE SISTEMAS DISTRIBUIDOS MANEJANDO LOS DATOS EN LOS SISTEMAS DISTRIBUIDOS DISEÑANDO SISTEMAS PARA REDES DE ÁREA LOCAL DISEÑANDO SISTEMAS PARA ARQUITECTURAS CLIENTE/SERVIDOR

Más detalles

Árboles AVL. Laboratorio de Programación II

Árboles AVL. Laboratorio de Programación II Árboles AVL Laboratorio de Programación II Definición Un árbol AVL es un árbol binario de búsqueda que cumple con la condición de que la diferencia entre las alturas de los subárboles de cada uno de sus

Más detalles

Manual de usuario del Centro de Control

Manual de usuario del Centro de Control Manual de usuario del Centro de Control www.ximdex.com Tabla de contenidos 1. Centro de Control...4 2. Gestor de Canales...5 2.1. Añadir un nuevo canal...6 2.2. Modificar las propiedades del canal...6

Más detalles

Árboles. Cursos Propedéuticos 2015. Dr. René Cumplido M. en C. Luis Rodríguez Flores

Árboles. Cursos Propedéuticos 2015. Dr. René Cumplido M. en C. Luis Rodríguez Flores Árboles Cursos Propedéuticos 2015 Dr. René Cumplido M. en C. Luis Rodríguez Flores Contenido de la sección Introducción Árbol genérico Definición y representación Árboles binarios Definición, implementación,

Más detalles